这一消息迅速(su)触发(fa)市场重估(gu)逻(luo)辑。

富国(guo)银行(xing)分析师Andrew Rocha认为，这项技术可能影响未来对内存容(rong)量规格的需求判断。他在(zai)报告中写道：“市场很快(kuai)就会重新评估(gu)，AI究竟还需要多少内存容(rong)量。”

当(dang)地时间3月25日，即消息发(fa)布(bu)后的第一个美(mei)股交易日，存储芯片板块在(zai)盘中集体跳水。闪迪（SanDisk）股价一度大跌(die)6.5%，收盘时跌(die)幅收窄至(zhi)3.5%，市值(zhi)损失36.3亿美(mei)元。同日，美(mei)光科技（Micron Technology）下跌(die)3.4%，市值(zhi)损失151.66亿美(mei)元；西(xi)部(bu)数据(ju)（Western Digital）下跌(die)1.63%，市值(zhi)损失16.64亿美(mei)元；希捷科技（Seagate Technology）下跌(die)2.76%，市值(zhi)损失21.4亿美(mei)元。

负面情绪迅速(su)扩(kuo)散(san)至(zhi)亚洲市场。3月26日，韩国(guo)SK海力士股价下跌(die)6.23%，市值(zhi)损失44.18万亿韩元（约合293.8亿美(mei)元）；三星(xing)电子也下跌(die)了4.71%，市值(zhi)损失57.83万亿韩元（约合384.5亿美(mei)元）。

全(quan)球主要内存巨头市值(zhi)损失合计超900亿美(mei)元（约合人民币6200亿元）。

直击大模型“成本痛点(dian)”：KV缓存占用减少83%

TurboQuant引发(fa)震动的核心(xin)，在(zai)于其精准击中了大模型的关键成本痛点(dian)——KV缓存（Key-Value Cache）。

在(zai)大模型推理过(guo)程中，模型需要保存历史上下文信息形成KV缓存，以避免重复计算。但随着上下文窗口(kou)增长，KV缓存呈线性膨胀，占用大量GPU内存。

例如(ru)，一个700亿参(can)数模型在(zai)512用户、2048 Token输入场景(jing)下，仅(jin)KV缓存就需约512GB内存，约为模型本体的4倍，已成为商(shang)业化部(bu)署中的最大成本之一。

传(chuan)统解决(jue)方案是“量化”，即用低(di)精度数据(ju)替代高精度浮点(dian)数，但往往牺牲准确率，且还需额外(wai)存储量化参(can)数，抵消部(bu)分压缩收益。

TurboQuant通过(guo)两(liang)步优化解决(jue)这一问题。

第一步，利用名(ming)为PolarQuant的方法，将数据(ju)从笛(di)卡尔坐标(biao)转换为极坐标(biao)，类似于“向东走3米，向北走4米”的指令，简(jian)化为“以37度角走5米”。通过(guo)随机旋转让数据(ju)分布(bu)可预测(ce)，从而无(wu)需额外(wai)量化参(can)数，直接减少内存开(kai)销。

第二步，再利用名(ming)为QJL（量化约翰逊-林登施特(te)劳斯变换）的技术，用仅(jin)仅(jin)1个比特(te)来修正第一步压缩后产生的微小误差，确保最终结果的准确性。

谷(gu)歌(ge)表示，通过(guo)该组合方案：

◆KV缓存可压缩至(zhi)3比特(te)，内存占用减少为原有的1/6（降幅约83%）；

◆在(zai)Gemma、Mistral等模型测(ce)试中，性能与未压缩模型一致，无(wu)需额外(wai)训练或微调；

◆在(zai)NVIDIA H100测(ce)试中，4比特(te)TurboQuant注意力计算速(su)度达到32位未量化的8倍。

华尔街激辩：节省缓存等于减少内存总需求吗？

尽管市场短期剧烈反应(ying)，但机构观点(dian)明显分化。

首(shou)先，这项技术并非首(shou)次披露，相关论文早在(zai)2025年4月已公开(kai)。

其次，有分析指出，谷(gu)歌(ge)所谓的“8倍性能提升”是与32位未量化模型对比得出，而当(dang)前主流已普遍采用4位量化，实际提升或低(di)于宣传(chuan)值(zhi)。

市场分析机构Citrini Research分析师Jukan直言(yan)，因TurboQuant导致内存股暴跌(die)，反映出市场对技术“一窍不通”，就像丰田推出混动发(fa)动机却让石油公司暴跌(die)一样。

摩根士丹利则指出，TurboQuant技术的影响范围(wei)是有限的。它仅(jin)作用于推理阶段KV缓存，不影响模型权重，也不涉及训练环节。因此，这并不意味着整体存储需求下降到原来的1/6，而是提升单位硬件效率，让相同的硬件能处(chu)理更长的上下文或服务(wu)更多用户。

此外(wai)，摩根士丹利援引“杰文斯悖论”（Jevons Paradox），该理论认为，效率提升往往不会减少资源消耗，反而会因成本下降而刺激需求增长。就像瓦(wa)特(te)改良蒸汽机提高了煤(mei)炭燃烧效率，结果却是全(quan)球煤(mei)炭需求量的飙升一样。摩根士丹利认为，通过(guo)大幅降低(di)单次查询的服务(wu)成本，TurboQuant能够让原本只能在(zai)云端昂贵集群上运(yun)行(xing)的模型迁移至(zhi)本地，有效降低(di)AI规模化部(bu)署的门槛，这可能反而能进一步提振整体需求。

Cloudflare首(shou)席执(zhi)行(xing)官Matthew Prince将TurboQuant称为谷(gu)歌(ge)的“DeepSeek时刻”。类似情况曾在(zai)DeepSeek发(fa)布(bu)时出现：市场一度担忧算力需求下降，但最终AI应(ying)用爆发(fa)，反而推高硬件需求。一开(kai)始下跌(die)的英(ying)伟达后来再创(chuang)历史新高。

从行(xing)业规律“内存帕金森定律”来看，TurboQuant节省的内存不会闲置(zhi)，而会被迅速(su)消耗：每一轮(lun)硬件升级或软件优化释放(fang)出来的存储余(yu)量，很快(kuai)就会被更长的上下文窗口(kou)、更大的批(pi)处(chu)理规模、更复杂的推理需求所吞噬。换言(yan)之，节省下来的空间将被用于服务(wu)更多并发(fa)请求、处(chu)理更长的文档，或者运(yun)行(xing)原本因内存不足而无(wu)法加载的大模型，甚至(zhi)可能推动更强大的AI应(ying)用在(zai)手机等移动设备上成为现实。

免责声(sheng)明：本文内容(rong)与数据(ju)仅(jin)供参(can)考(kao)，不构成投资建议，使用前请核实。据(ju)此操作，风险自担。

每日经济新闻(wen)